DGCNN：基于高斯混合模型的无序图卷积神经网络
机器学习
2017-12-12 v1 机器学习
摘要
卷积神经网络(CNNs)可应用于图相似度匹配，此时被称为图CNNs。图CNNs因其有效性和高效性正受到越来越多的关注。然而，现有的卷积方法仅关注规则数据形式，并要求将图或图的关键节点邻域转换为相同的固定形式。在此转换过程中，图的结构信息可能丢失，并可能引入一些冗余信息。为克服该问题，我们提出基于混合高斯模型的无序图卷积神经网络(DGCNN)，其通过添加一个称为无序图卷积层(DGCL)的预处理层来扩展CNN。DGCL使用混合高斯函数实现卷积核与图邻域中节点之间的映射。DGCL的输出即为CNN的输入。我们进一步实现了卷积层的反向传播优化过程，借此将不规则节点邻域结构的特征学习模型纳入网络中。此后，卷积核的优化成为神经网络学习过程的一部分。DGCNN可接受任意尺度和无序的邻域图结构作为CNN的感知野，从而减少了图变换过程中的信息丢失。最后，我们在多个标准图数据集上进行实验。结果表明，所提方法在图分类与检索任务上优于当前最优(state-of-the-art)方法。
引用
@article{arxiv.1712.03563,
title = {DGCNN: Disordered Graph Convolutional Neural Network Based on the Gaussian Mixture Model},
author = {Bo Wu and Yang Liu and Bo Lang and Lei Huang},
journal= {arXiv preprint arXiv:1712.03563},
year = {2017}
}
备注
16 pages,8 figures